Information om konstgjorda neurala nätverk (ANN) är allmänt tillgänglig över många resurser. Här är en uppdelning av var du kan hitta den, kategoriserad efter typ av resurs:
1. Onlinekurser och tutorials:
* Coursera &edx: Erbjuda många kurser på ANN:er, allt från inledande till avancerade nivåer, ofta från prestigefyllda universitet. Leta efter kurser om maskininlärning, djup inlärning och neurala nätverk. Många erbjuder gratis revisionsalternativ.
* udacity: I likhet med Coursera och EDX tillhandahåller Udacity strukturerade inlärningsvägar på AI och djup inlärning, ofta med praktiska projekt.
* fasta.ai: Erbjuder praktiska och tillgängliga kurser med fokus på djupa inlärningsapplikationer. Deras fokus är mindre på teoretisk matematik och mer på praktisk implementering.
* YouTube: Många utmärkta kanaler erbjuder tutorials och förklaringar om olika aspekter av ANN. Sök efter kanaler med fokus på maskininlärning, djup inlärning och AI. Vara medveten om informationens kvalitet och noggrannhet; Kontrollera uppladdarens trovärdighet.
* Khan Academy: Även om Khan Academy inte är helt hängivna till ANN, erbjuder introduktionsmaterial på relaterade koncept som kan bygga en grund.
2. Böcker:
* "Deep Learning" av Goodfellow, Bengio och Courville: Detta anses vara den definitiva läroboken om djup inlärning, som täcker ett brett spektrum av ämnen i stort djup. Det är matematiskt rigoröst.
* "Mönsterigenkänning och maskininlärning" av Christopher Bishop: En klassisk lärobok som täcker sannolikhetsmetoder för maskininlärning, inklusive neurala nätverk.
* "Neural Networks and Deep Learning" av Michael Nielsen: En fritt tillgänglig online -bok som ger en bra introduktion till fältet. Det balanserar teori och praktiska exempel.
* Många andra böcker finns tillgängliga som täcker specifika aspekter av ANN:er, till exempel Convolutional Neural Networks (CNNS) eller återkommande neurala nätverk (RNN). Sök på Amazon eller din favoritbokhandlare för "Artificial Neural Networks", "Deep Learning" eller "Neural Networks."
3. Forskningsuppsatser och artiklar:
* arxiv: En förtrycksserver som är värd för många forskningsdokument om maskininlärning och ANN. Du kan hitta banbrytande forskning här, ofta innan den publiceras i tidskrifter.
* IEEE XPLORE &ACM Digital Library: Dessa är digitala bibliotek som innehåller många peer-granskade publikationer på ANN:er och relaterade fält. Tillgång kan kräva prenumerationer.
* Google Scholar: En kraftfull sökmotor specifikt för vetenskaplig litteratur.
4. Online -dokumentation och bloggar:
* TensorFlow &Pytorch Dokumentation: Det här är dokumentationswebbplatserna för två populära ramverk för djupa inlärning. De inkluderar tutorials och exempel, ofta med kod.
* bloggar och artiklar från AI -forskare och utövare: Många individer och organisationer publicerar blogginlägg och artiklar som förklarar koncept och framsteg i ANN. Sök efter relevanta ämnen på Google eller Medium.
Att välja rätt resurs beror på din bakgrund och inlärningsstil:
* nybörjare: Börja med onlinekurser (Coursera, Udacity, Fast.Ai), handledning på YouTube eller Michael Nielsens onlinebok.
* mellanliggande elever: Utforska mer avancerade kurser och fördjupa sig i läroboken "Deep Learning".
* Avancerade elever: Fokusera på forskningsuppsatser och specialiserade böcker om specifika ANN -arkitekturer.
Kom ihåg att börja med grunderna och gradvis öka komplexiteten när du bygger din förståelse. Lycka till!
